Introducción a Tensorflow

Tensorflow es un software y una biblioteca de código abierto. Fue desarrollado por el equipo de Google Brain que fue creado por el equipo de investigación de inteligencia artificial de aprendizaje profundo en google 2010. Google lo estaba usando para uso interno después de que fue lanzado bajo Apache2.0 Open source - 2015. En este tema, vamos a ot aprenda sobre los conceptos básicos de Tensorflow.

Tensorflow es el sistema de segunda generación de Google Brain. La versión 1 se lanzó el 11 de febrero de 2017. Tensorflow 1.0 ahora tenía Python API y API para java y también se agrega lenguaje GO a la versión 1.0. La red neuronal de operaciones de Tensorflow se realiza en una matriz de datos multidimensional, que se conoce como tensor. Funciona con tensores. Es una biblioteca de software para el aprendizaje profundo y funciona principalmente para el cálculo numérico utilizando gráficos de flujo de datos.

¿Qué es lo básico de Tensorflow?

Los tensores son objetos que describen la relación lineal entre vectores, escalares y otros tensores. Los tensores no son más que matrices multidimensionales.

Tensorflow proporciona soporte para escribir el código de acuerdo con sus requisitos y acceso a diferentes tipos de herramientas. Podemos escribir código C ++ y podemos llamar a código C ++ desde python. O podemos escribir código python y llamarlo por C ++.

Visto en la imagen de arriba, la capa más baja que admite dos idiomas primero es el lenguaje Python y el segundo lenguaje C ++. Puede escribirlo en cualquier idioma en su zona de confort. Tiene una colección de diferentes bibliotecas matemáticas que ayudan a crear fácilmente funciones matemáticas.

También proporciona soporte para procesamiento como CPU, GPU, TPU y también se ejecuta en móviles Android.

Tf.layers : - tf.layers se utiliza para el método abstracto para que pueda personalizar las capas de las redes neuronales.

Tf.estimator : la API más utilizada en tensorflow es tf.estimator. Ayuda a crear y entrenar, probar su modelo.

Instalación de Tensorflow

  • Primero verifique su versión de pip, si no es la última, ejecute el siguiente comando para actualizar pip

pip install –upgrade pip

  • Ejecute el siguiente código para instalar la versión más simple de Tensorflow

pip install tensorflow / conda install tensorflow (Anaconda)

  • Esto instalará Tensorflow con configuraciones compatibles con gpu.

pip install Tensorflow-gpu

Ejemplo de tf.estimator para usar el clasificador por 3 líneas de código

Import tensorflow as tf
classifier = tf.estimator.LinearClassifier(feature_columns)
classifier.train(input_fn=train_input_function, steps=2000)
predictions = classifier.predict(input_fn=predict_input_function)

Tipos de datos básicos de Tensorflow

Los tipos de datos básicos en el marco de Tensorflow (Tensores)

A continuación se muestra cada dimensión de tensores.

  • Escalar - Matriz O Dimensional
  • Vector - 1, dimensional, matriz
  • Matriz: matriz bidimensional
  • Tensor 3D - Matriz tridimensional
  • Tensor N - D - Matriz N-dimensional

Tensores constantes

Variables

Clase tf.Variable, para crear una variable en tensorflow y llamar a la función tf.get_variable

Inicializando Variables

Para inicializar las variables, al llamar a tf.global_variables_initializer podemos inicializar todas las variables.

Un ejemplo simple de variable y expresión matemática

Forma normal

a = 3.0, b = 8 * a +10

Forma Tensorflow

c = tf.Variable (tf.add (tf.multiply (X, a), b)

Gráficos

Cada línea de nuestro código escrita en Tensorflow se convierte en un gráfico subyacente

Ejemplo:

  • Nodos: representa operaciones matemáticas.
  • Bordes: representa la matriz multidimensional (tensores) y muestra cómo se comunican entre ellos.

Tensorflow 2.0

  • En la segunda versión de Tensorflow, se centraron en hacer que la API sea más simple y fácil de usar.
  • Los componentes API se integran mejor con Keras, por defecto, el modo de ejecución ansioso está activado.
  • Modo ansioso: la ejecución ansiosa es la interfaz de ejecución donde las operaciones se ejecutan inmediatamente como se llaman desde Python.
  • Podemos usar el modo ansioso en lugar del modo gráfico. Podemos calcular lo que necesitamos calcular y podemos obtener resultados de inmediato. Esto hará que Tensorflow sea tan fácil como Pytorch
  • Centrándose en eliminar las API de duplicación.

Keras

  • Tensorflow proporciona una API de alto nivel para construir y entrenar modelos de aprendizaje profundo. Esto no se incluyó en tensorflow, pero en la última versión, Keras se incluyó en Tensorflow 2.0.
  • Fácil de usar: Keras proporciona una interfaz simple y consistente para casos de uso comunes.
  • Modular y composable: los modelos Keras se hacen conectando bloques de construcción.
  • Fácil de extender: cree o actualice nuevas capas, métricas, funciones de pérdida
  • Use tf.keras para usar los modelos Keras.

Tensorflow Lite

  • En 2017, Google anunció un software diseñado específicamente para el desarrollo móvil, Tensorflow Lite.
  • Tensorflow Lite (TFLite) es una solución ligera para la inferencia de dispositivos móviles.
  • También podemos usarlo para IOS y Android mediante la creación de API de C ++, así como también podemos usar la clase de contenedor Java para desarrolladores de Android.

Lista de algoritmos que admite Tensorflow

1. Para la regresión

  • Regresión lineal (tf.estimator. Regresión lineal)
  • Regresión del árbol de refuerzo (tf.estimator. Regresor del árbol potenciado)

2. Para clasificación

  • Clasificación (tf.estimator. Linear Classifier)
  • Aprendizaje profundo combinado (tf.estimator. DNNLinearCombinedClassifier)
  • Clasificador de árbol potenciado (tf.estimator. Clasificador de árbol potenciado)

Características de Tensorflow

  • Tensorflow funciona de manera eficiente con diferentes tipos de expresiones matemáticas que involucran matrices multidimensionales (tensores)
  • También proporciona soporte para redes neuronales de aprendizaje profundo y otros conceptos de aprendizaje automático.
  • Tensorflow puede ejecutarse en múltiples CPU y GPU.
  • También proporciona su propio poder de procesamiento que es la Unidad de Procesamiento de Tensor.

Unidad de procesamiento de tensor (TPU)

  • Google anunció su unidad de procesamiento Tensor (TPU), un circuito integrado específico de la aplicación (Chip de hardware), construido específicamente para Machine Learning y diseñado para Tensorflow.
  • En 2017, Google anunció la segunda versión de Tensorflow, así como la disponibilidad de los TPU en Google Cloud.
  • TPU es un acelerador de IA programable y está diseñado para usar o ejecutar modelos. Google ejecuta TPU dentro de sus centros de datos durante más de un año.

Edge TPU

  • Edge TPU es un chip que está diseñado para Google y diseñado y ejecuta modelos de aprendizaje automático (ML) de Tensorflow Lite para que se ejecuten en dispositivos informáticos pequeños como teléfonos inteligentes.
  • Alta escalabilidad para calcular grandes conjuntos de datos
  • También puede entrenar y servir modelos en un modelo en vivo. Reescritura de código no requerido

Conclusión: conceptos básicos de Tensorflow

Tensorflow es una biblioteca de aprendizaje profundo muy utilizada. Eso se usa principalmente en la creación de redes neuronales, también utilizado por empresas de nueva creación, grandes empresas.

Como se mencionó anteriormente, Google también está utilizando tensorflow para su propósito interno, que todavía se usa en la mayoría de los productos, como Gmail y el motor de búsqueda de Google.

Artículos recomendados

Esta es una guía de los conceptos básicos de Tensorflow. Aquí discutimos la instalación de Tensorflow con las características y la lista de algoritmos que admite Tensorflow. También puede consultar el siguiente artículo para obtener más información:

  1. ¿Qué es TensorFlow?
  2. Alternativas de TensorFlow
  3. Introducción a Tensorflow
  4. Cómo instalar TensorFlow
  5. Tipos de datos C ++

Categoría:

Big Data